Supuestos del modelo de regresión lineal

1.- Introducción .................................................................................................................................... 2

2.- Regresión simple. Gráficos ............................................................................................................. 3
3.- Ecuación de regresión, bondad de ajuste y validez del modelo ................................................... 11
4.- Estudio de los supuestos del modelo ............................................................................................ 13
4.1.- Linealidad .................................................................................................................................. 13
4.2.- Normalidad ................................................................................................................................ 16
4.3.- Homocedasticidad...................................................................................................................... 18
5.- Datos alejados ............................................................................................................................... 20
6.- Otro tipo de ajustes no lineales ..................................................................................................... 24

Carlos Camacho
Universidad de Sevilla
1.-Introducción

En este capítulo retomamos el modelo de regresión simple, pero esta vez desde la perspectiva de los
supuestos matemáticos que debe cumplir este tipo de modelo para su correcta aplicación. Lo haremos
con SPSS, que nos facilitará los cálculos, y referido a datos transversales, para más adelante tratar
datos longitudinales, donde añadiremos el tema de la autocorrelación. Aparte de ello, en este capítulo
le añadiremos un par de apartados, como son la cuestión de los valores alejados, así como la
posibilidad de trabajar con modelos no lineales.

Trabajaremos con el siguiente fichero, y que hace referencia a distintos indicadores correspondientes a
26 países europeos tomados del anuario de EL PAIS 2000. Las variables consideradas son:

PAÍS País
SUPERFI Superficie
POBLACIÓ Población
DENSIDAD Densidad de población
ESPERANZ Esperanza de vida
TASA Tasa de fecundidad
RENTA Renta per cápita
EXPORTA Exportaciones
IMPORTA Importaciones
INFLACIO Inflación
INGTURI Ingresos por turismo
GASTOEDU Gasto en educación %
GASTOSAL Gasto en salud %
TELÉFONO Teléfonos por 1000 habitantes
ORDENADO Ordenadores por 1000 habitantes
ENERELEC Energía eléctrica per cápita en kw/h
ENERGIA Energía per cápita en kilos

Figura 1.- Relación de variables

2
Una imagen parcial de este fichero de datos aparece en el siguiente cuadro:

2.- Regresión simple. Gráficos

Los gráficos nos proporcionan la forma más sencilla e intuitiva de estudiar la relación entre dos
variables. Nos ofrece una cierta idea de la naturaleza de la relación; si es lineal o no, su intensidad, así
como el sentido (negativa o positiva). En el ejemplo que estamos tratando, además, como se conocen
los sujetos de las observaciones –países- tendremos la facilidad de situar los mismos en relación a los
restantes países.

 Seleccionemos gráficos/dispersión. Obtendremos el cuadro de diálogo de la siguiente figura. A

continuación elijamos Simple y Definir.

3
Obtendremos el siguiente cuadro de diálogo:

Deseamos ver el efecto de la Renta per cápita sobre Ordenadores por 1000 habitantes. Además
deseamos que lo puntos del diagrama de dispersión se identifiquen por el país correspondiente. Para
ello, marcamos Opciones y dentro de este cuadro de diálogo, Mostrar el gráfico con las etiquetas de
caso:

La salida será:

4
 400,00
Suiza
Noruega
Dinamarca
Suecia
Ordenadores por 1000 habitantes

Finlandia
300,00
Holanda

Reino Unido Alemania

Eslovaquia
Irlanda Bélgica
Austria
200,00
Eslovenia
Francia

España
Italia
100,00
R. Checa
Portugal
Hungría
Bulgaria Polonia Grecia

Lituania Croacia
0,00 Moldavia

0,0 10000,0 20000,0 30000,0 40000,0

Renta per cápita

Aparte de algunas superposiciones, se observa una relación lineal, positiva y de cierta intensidad. Si
deseamos profundizar algo más en estos últimos aspectos, haremos doble clic sobre el gráfico
obtenido, y obtendremos este otro gráfico:

5
Llevando el cursor a cualquiera de los círculos que indican los países, y pulsando doble clic, se activa
la pestaña que nos permitirá ajustar una línea:

6
Marcamos, y nos encontramos con el siguiente cuadro de dialogo:

7
Marcamos Lineal y Aplicar, obteniendo:

400,00
Suiza
Noruega
Dinamarca
Suecia
Ordenadores por 1000 habitantes

Finlandia
300,00
Holanda

Reino Unido Alemania

Eslovaquia
Irlanda Bélgica
Austria
200,00
Eslovenia
Francia

España
Italia
100,00
R. Checa
Portugal
Hungría
Bulgaria Polonia Grecia R2 lineal = 0,773

Lituania Croacia
0,00 Moldavia

0,0 10000,0 20000,0 30000,0 40000,0

Renta per cápita

8
Podemos complicar algo estos resultados definiendo el intervalo de confianza al 95% alrededor de las
puntuaciones medias. Resolvemos así problemas de predicción. En el cuadro de diálogo en Intervalo
de confianza marcamos Media, y luego Aplicar:

Obtendremos:

9
 400,00
Suiza
Noruega
Dinamarca
Suecia
Ordenadores por 1000 habitantes

Finlandia
300,00
Holanda

Reino Unido Alemania

Eslovaquia
Irlanda Bélgica
Austria
200,00
Eslovenia
Francia

España
Italia
100,00
R. Checa
Portugal R2 lineal = 0,773
Hungría
Bulgaria Polonia Grecia R2 lineal = 0,773

Lituania Croacia
0,00 Moldavia

0,0 10000,0 20000,0 30000,0 40000,0

Renta per cápita

Algunos países quedan fuera, como Eslovaquia, con muchos ordenadores para su renta per cápita, o el
caso de Italia, que ocurre al revés. Ya trataremos más adelante este aspecto, cuando tratemos los
residuos. Por otro lado, vemos que la renta per cápita da cuenta del 77.29% de la variabilidad en la
adquisición de ordenadores

10
3- Ecuación de regresión, bondad de ajuste y validez del modelo

Los procedimientos gráficos son convenientes para una primera aproximación, pero si queremos ser
rigurosos hemos de recurrir a aspectos más formales A este respecto, entramos en el comando
Regresión/lineal y rellenamos el cuadro de diálogo de la siguiente manera:

En primer lugar se nos ofrece una información que ya conocíamos, pero algo más completada:

Resumen del modelo

R cuadrado Error típ. de la

Modelo R R cuadrado corregida estimación
1 ,879a ,773 ,763 62,2186
a. Variables predictoras: (Constante), Renta per cápita

11
La correlación es 0.879. Su cuadrado, 0.773, lo que nos indica una proporción de variación explicada
de 77.3%. Para compensar los efectos del tamaño de la muestra sobre R cuadrado, se suele hacer un
pequeño ajuste con lo que obtenemos un valor más aproximado de 0.763. Por otro lado, el error típico
de la estimación no es más que la raíz cuadrada de la varianza residual, que veremos en la próxima
tabla:

ANOVAb

Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 316220,909 1 316220,909 81,687 ,000a
Residual 92907,657 24 3871,152
Total 409128,566 25
a. Variables predictoras: (Constante), Renta per cápit a
b. Variable dependient e: Ordenadores por 1000 habit antes

Se observa una F de 81.687, cuya probabilidad asociada según las expectativas de la Hipótesis nula es
inferior a 0.0001. Altamente significativo, aunque no hay que olvidar que aquí estamos trabajando con
colectivos -países- en lugar de individuos, lo que conlleva una R cuadrado sobrevalorada.

En cuanto a la ecuación de regresión, sus valores son:

Coefici entesa

Coef icient
es
Coef icientes no estandari
estandarizados zados
Modelo B Error típ. Beta t Sig.
1 (Constante) 18,084 20,840 ,868 ,394
Renta per cápita 9,487E-03 ,001 ,879 9,038 ,000
a. Variable dependiente: Ordenadores por 1000 habitantes

De aquí se deduce que la ecuación de regresión en directas es:

Yˆ 18.084  0.00948 X

Prescindiendo de la ordenada en el origen, que aquí carece de significado puesto que no hay ningún
país con cero dólares de renta per cápita, tenemos que por cada dólar per cápita hay 0.00948
ordenadores por cada mil habitantes, o mejor dicho, por cada incremento de mil dólares hay
aproximadamente 9 ordenadores más cada mil habitantes.

En estandarizadas, tendremos:

Zˆ  0.879Z x

12
4.- Estudio de los supuestos del modelo

Como se sabe, el modelo de regresión lineal ha de cumplir una serie de supuestos que garanticen su
correcta aplicación, a saber, a) linealidad, b) normalidad, c) homocedasticidad y d) independencia de
errores. Una última condición de ausencia de multicolinealidad hace referencia a la regresión múltiple
y será vista más adelante.

Todos estos supuestos pueden ser estudiados mediante el recurso de las puntuaciones residuales, que
indican la diferencia entre las puntuaciones observadas y predichas por el modelo. Aparte de ello, una
simple ojeada a los gráficos nos permitirá grosso modo detectar algunas anomalías.

Para un primer análisis de residuales entraremos en guardar y en el cuadro de diálogo correspondiente

marcaremos en Valores pronosticados No tipificados y Residuos No tipificados

Generaremos con ello dos variables pre_1 y err_1. Con ellos procederemos a iniciar el estudio de los
supuestos del modelo.

4.1.- Linealidad

El gráfico del diagrama de dispersión constituye una primera aproximación no muy rigurosa al estudio
de la linealidad. Aparentemente lo es. Podemos completarlo mediante un gráfico en el que se
comparan las puntuaciones residuales y predichas. Recurrimos a gráficos/dispersión y hacemos la
siguiente selección:

13
Obteniendo el siguiente resultado:

200,00000

150,00000
Unstandardized Residual

100,00000

50,00000

0,00000

-50,00000

-100,00000

0,00000 100,00000 200,00000 300,00000 400,00000

Unstandardized Predicted Value

14
Si la relación o fuera lineal habría alguna configuración manifiesta. No lo parece, así que
corroboramos la supuesta linealidad. Además esto mismo lo podemos hacer de una manera más directa
recurriendo a gráficos dentro del comando Regresión. Aquí los resultados están en estandarizadas, que
ofrece la ventaja de que todas las variables están en la misma escala. Así pues, en Regresión
lineal/gráficos elijamos:

Obteniendo:

Gráfico de dispersión

Variable dependiente: Ordenadores por 1000 habitantes

4
Regresión Residuo tipificado

-1

-2

-1 0 1 2
Regresión Valor pronosticado tipificado

15
4.2- Normalidad

Para facilitar la estimación por intervalo del modelo de regresión es exigible la normalidad de la
distribución de los errores. Aquí vamos a utilizar dos procedimientos, uno gráfico y otro analítico. El
gráfico hace referencia simplemente al histograma de los residuales estandarizados (ZRESID) así
como al gráfico P-P normal. En el subcuadro anterior añadimos las siguientes marcas en Histograma
y Gráfico de probabilidad normal:

Los resultados en cuanto al histograma son:

Histograma

Variable dependiente: Ordenadores por 1000 habitantes

10

8
Frecuencia

Mean = -4,35E-16
0 Std. Dev. = 0,98
N = 26
-2 -1 0 1 2 3 4
Regresión Residuo tipificado

Y en relación al gráfico de probabilidad normal:

16
 Gráfico P-P normal de regresión Residuo tipificado

Variable dependiente: Ordenadores por 1000 habitantes

1,0

0,8
Prob acum esperada

0,6

0,4

0,2

0,0
0,0 0,2 0,4 0,6 0,8 1,0
Prob acum observada

Se observa en ambos casos una buena aproximación a la normalidad. No obstante, si deseamos ser más
rigurosos podemos recurrir a procedimiento analíticos. Aquí, como se sabe, disponemos de la prueba
Kolmogorov-Smirnov para la normalidad. Así pues, como hemos generado la variable err_1, iremos a
Pruebas no paramétricas y seleccionamos K-S de 1 muestra, tal como se indica en el siguiente cuadro
de diálogo:

17
El resultado será:

Prueba de Kolmogorov-Smirnov para una muestra

Unstandardiz
ed Residual
N 26
Parámet ros normales a,b Media .0000000
Desv iación t ípica
60.96151476

Dif erencias más Absoluta .135

extremas Positiv a .135
Negativ a -.076
Z de Kolmogorov -Smirnov .687
Sig. asintót. (bilateral) .733
a. La distribución de cont raste es la Normal.
b. Se han calculado a partir de los datos.

Obsérvese que la probabilidad asociada desde la perspectiva de la hipótesis nula (de normalidad) es
0.733. Es alta, luego aceptamos dicha hipótesis.

4.3- Homocedasticidad

El supuesto de homocedasticidad exige que para todo el recorrido de la variable X la varianza del
error sea constante. Esto es importante de cara a la predicción de valores en los cuales la desviación
tipo de los residuos forma parte del cálculo del intervalo de confianza.

El recurso gráfico para comprobar la homocedasticidad es el ya conocido de Residuos frente a Valores

predichos. Si queremos librarnos de la escala, ZRESID frente a ZPRED. Habrá heterocedasticidad si la
configuración de la nube de puntos tiene forma de "embudo", bien a la derecha o a la izquierda, lo que
es indicativo que la magnitud de los residuos varía en un sentido o en otro. Así, en el siguiente gráfico,
ya conocido:

18
 Gráfico de dispersión

Variable dependiente: Ordenadores por 1000 habitantes

4
Regresión Residuo tipificado

-1

-2

-1 0 1 2
Regresión Valor pronosticado tipificado

Se observa que no hay una apariencia de un mayor grosor de la nube de puntos en una dirección u otra,
aunque hay que decir que con tan pocos individuos no hay mucha fundamentación para afirmarlo. De
todas formas, si queremos ser más rigurosos también aquí disponemos de recursos analíticos;
calcularemos la correlación entre las puntuaciones residuales en valores absolutos y las puntuaciones
predichas. Decimos en valores absolutos porque si no la correlación sería de cero. Para ello,
previamente hemos de calcular los valores absolutos de la variable err_1. Vamos a
Transformar/Calcular:

A continuación nos dirigimos a Correlaciones/bivariadas:

19
Y obtendremos:

Correlaciones

Unstandardiz
ed Predicted
Value ABSRES1
Unstandardized Correlación de Pearson
Predicted Value Sig. (bilateral)
N
ABSRES1 Correlación de Pearson -,070
Sig. (bilateral) ,732
N 26

Con lo que se confirma que no hay ningún tipo de relación entre los residuos y los valores predichos.

5.- Datos alejados

Frecuentemente se dan casos que parecen no conformarse con el modelo. Son valores especialmente
distanciados de aquellos que predice el modelo, aquí la recta de regresión. Tienen especial interés
porque de su consistencia/inconsistencia derivará nuestro comportamiento con el modelo, si interesa
mantenerse en él o por el contrario merece ser modificado.

La magnitud de la distancia de un caso determinado respecto al promedio de la variable independiente

nos lo proporciona la distancia de Mahalanobis. Un valor alejado, además, puede ser especialmente
influyente, en el sentido que su presencia modifique sustancialmente la ecuación de regresión. Para

20
saber esto último existe la distancia de Cook que muestra la cuantía del cambio que se produciría en
los residuales si el caso en cuestión fuera eliminado. También el denominado valor de influencia, cuyo
valor oscila entre 0 y (n-1)/n, siendo n el número de observaciones, y que nos indica la importancia
que tiene la variable dependiente de un determinado caso sobre la predicción del valor ajustado.

Para detectar los caso alejados, una primera visual del diagrama del dispersión puede ser suficiente. En
el ejemplo que estamos tratando, Eslovenia, con poco renta per cápita y muchos ordenadores es un
caso de ellos. Si queremos profundizar un poco en ello y detectar la magnitud de la distancia e
desviaciones típicas recurriremos al subcuadro de Estadísticos en Diagnóstico por caso. Elegimos
todos los casos.

21
 Diagnósticos por casoa

Ordenadores
por 1000 Valor
Número de caso PAÍS Residuo t ip. habitantes pronosticado Residual
1 Alemania -,126 255,50 263,3105 -7,8105
2 Austria -,998 210,70 272,7970 -62,0970
3 Bélgica -,379 235,30 258,8518 -23,5518
4 Bulgaria -,001 29,70 29,7528 -5,28E-02
5 Croacia -,626 22,00 60,9634 -38,9634
6 Dinam arc
,427 360,20 333,6054 26,5946
a
7 Eslov aqui
3,028 241,60 53,1844 188,4156
a
8 Eslov enia 1,257 188,90 110,6726 78,2274
9 España -,475 122,10 151,6543 -29,5543
10 Finlandia 1,027 310,70 246,8039 63,8961
11 Francia -1,290 174,40 254,6777 -80,2777
12 Grecia -1,347 44,80 128,6021 -83,8021
13 Holanda ,439 280,30 252,9702 27,3298
14 Hungría -,191 49,00 60,8685 -11,8685
15 Irlanda ,791 241,30 192,0668 49,2332
16 Italia -1,562 113,00 210,1860 -97,1860
17 Lituania -,558 6,50 41,2314 -34,7314
18 Moldav ia -,292 3,80 21,9738 -18,1738
19 Noruega ,274 360,80 343,7560 17,0440
20 Polonia -,303 36,20 55,0817 -18,8817
21 Port ugal -,725 74,40 119,4951 -45,0951
22 Reino
,342 242,40 221,0955 21,3045
Unido
23 R. Checa ,267 82,50 65,8963 16,6037
24 Rumania -,360 8,90 31,2706 -22,3706
25 Suecia 1,433 350,30 261,1286 89,1714
26 Suiza -,055 394,90 398,3034 -3,4034
a. Variable dependient e: Ordenadores por 1000 habitantes

Se observa Eslovaquia, que se encuentra a más de 3 desviaciones típicas, con una dotación de 241
ordenadores por 1000 habitantes, cuando lo previsto son 53.

Además podemos conocer algunos otros indicadores interesantes en diagnóstico por caso, tales como
la distancia de Mahalanobis y la distancia de Cook (y algunos otros). Pero no todas las posibilidades de
SPSS se consiguen a través de las distintas ventanas. Algunas veces, como ahora, habremos de recurrir
a la sintaxis, que ya contiene toda la potencialidad del SPSS. Aquí para no complicarnos la vida
seguiremos un procedimiento un tanto híbrido; por un lado, con la opción de pegar guardaremos en la
sintaxis las distintas instrucciones, para ampliarlas posteriormente mediante teclado:

22
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT ordenado
/METHOD=ENTER pnb
/RESIDUALS ID( país )
/CASEWISE PLOT(ZRESID) ALL PRED ADJPRED MAHAL COOK.

El resultado correspondiente a CASEWISE PLOT (el resto es conocido) será:

Diagnósticos por casoa

Ordenadores Valor
por 1000 Valor pronosticado Dist. de Distancia
Número de caso PAÍS Residuo tip. habitantes pronosticado corregido Mahalanobis de Cook
1 Alemania -,126 255,50 263,3105 263,8582 ,677 ,001
2 Austria -,998 210,70 272,7970 277,5698 ,823 ,041
3 Bélgica -,379 235,30 258,8518 260,4351 ,613 ,005
4 Bulgaria -,001 29,70 29,7528 29,7587 1,572 ,000
5 Croacia -,626 22,00 60,9634 64,1954 ,953 ,018
6 Dinamarc
,427 360,20 333,6054 329,8995 2,096 ,015
a
7 Eslovaqui
3,028 241,60 53,1844 36,3117 1,093 ,447
a
8 Eslovenia 1,257 188,90 110,6726 106,5653 ,286 ,044
9 España -,475 122,10 151,6543 152,8735 ,029 ,005
10 Finlandia 1,027 310,70 246,8039 242,9604 ,457 ,034
11 Francia -1,290 174,40 254,6777 259,8675 ,557 ,057
12 Grecia -1,347 44,80 128,6021 132,4671 ,141 ,044
13 Holanda ,439 280,30 252,9702 251,2311 ,534 ,007
14 Hungría -,191 49,00 60,8685 61,8539 ,955 ,002
15 Irlanda ,791 241,30 192,0668 190,0211 ,036 ,014
16 Italia -1,562 113,00 210,1860 214,5924 ,123 ,058
17 Lituania -,558 6,50 41,2314 44,7308 1,327 ,017
18 Moldav ia -,292 3,80 21,9738 24,1853 1,751 ,006
19 Noruega ,274 360,80 343,7560 341,1395 2,366 ,007
20 Polonia -,303 36,20 55,0817 56,7413 1,058 ,004
21 Portugal -,725 74,40 119,4951 121,7081 ,208 ,014
22 Reino
,342 242,40 221,0955 220,0573 ,200 ,003
Unido
23 R. Checa ,267 82,50 65,8963 64,5841 ,870 ,003
24 Rumania -,360 8,90 31,2706 33,7564 1,539 ,008
25 Suecia 1,433 350,30 261,1286 255,0032 ,645 ,075
26 Suiza -,055 394,90 398,3034 399,1658 4,093 ,000
a. Variable dependiente: Ordenadores por 1000 habitantes

23
Se observa que, por ejemplo, Eslovaquia es un valor muy alejado (más de 3 desviaciones tipo). Si
este país no hubiera estado presente en la estimación de los parámetros del modelo su valor predicho
hubiera sido de 36 ordenadores por 1000 habitantes. Su renta per cápita es bastante baja en relación a
la media, luego la distancia de Mahalanobis es alta. Es además un valor bastante influyente, al ser su
valor pronosticado muy diferente del real. Por el contra, un país como Noruega, que también estaba
bastante alejado de la media de la variable independiente (esta vez por exceso), lo que implica una alta
distancia de Mahalanobis, sin embargo, al ser su valor predicho muy próximo al real, su presencia no
altera mucho la recta de regresión; la distancia de Cook será pequeña, y en consecuencia será poco
influyente.

Estas mismas variables que hemos expresado el listado anterior, pueden ser guardadas en el fichero de
datos por si fuera necesario trabajar con ellas posteriormente. De esta forma, podemos seleccionar la
opción de guardar:

6.- Otro tipo de ajustes no lineales

4
Aunque estamos acostumbrados siempre que trabajamos con la regresión, a hacerlo con la regresión
lineal, hay que decir que ésta es tan sólo un caso de los posibles. Aunque por razones de simplicidad el
modelo lineal es muy conveniente no hay razones de peso para mantenerlo en exceso. Bien es cierto
que podemos mantenerlo si linealizamos la relación mediante algunas transformaciones, aunque lo
más conveniente es encontrar el modelo que realmente encaje con los datos en cuestión.

Por ejemplo, si quisiéramos relacionar la renta per cápita con la esperanza de vida, tendríamos (opción
gráficos/dispersión) la siguiente salida:

24
 80
Suecia Suiza
Grecia
España Italia
Holanda
Francia Noruega
78
ReinoFinlandia
Uni
Alemani
Bélgica
Austri
do a
Irlanda
76
Eslovenia
Portugal Dinamarca
R. Checa
74
Eslovaqui
Poloniaa
Croacia
72
Bulgaria
Lituania
Hungría

70
Rumania

68
Moldavia

66 R² = 0,6546
-10000 0 10000 20000 30000 40000 50000

Renta per cápita

Obsérvese que no hay un mal ajuste. Hay una proporción de variabilidad explicada de 65.46%, lo que
es bastante. Sin embargo una visual al gráfico nos indica que las cosas quizás puedan ir mejor con otro
tipo de ajuste. Vamos para ello a la opción de Regresión/estimación curvilínea. Después de algunos
tanteos comprobamos que la función potencial es la que mejor se ajusta. Su ecuación es:

Yˆ b0 X b1

Vamos al cuadro de diálogo correspondiente:

25
El resultado numérico es:

Dependent variable.. ESPERANZ Method.. POWER

Listwise Deletion of Missing Data

Multiple R ,93539
R Square ,87496
Adjusted R Square ,86975
Standard Error ,01618

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 1 ,04397012 ,04397012

Residuals 24 ,00628354 ,00026181

F = 167,94398 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

PNB ,034646 ,002673 ,935395 12,959 ,0000

(Constant) 54,537758 1,354327 40,269 ,0000

26
Cuya proporción de variabilidad explicada (0.8749) es muy superior a la del modelo lineal. Si
queremos ver el gráfico:

Esperanza de vida
80

78

76

74

72

70

68
Observada

66 Potencia
-10000 0 10000 20000 30000 40000 50000

Renta per cápita

Se observan los datos mucho mejor ajustados. Es razonable suponer que la renta per cápita mejora las
condiciones sanitarias y por tanto la esperanza de vida, pero no siempre de forma lineal, proporcional a
los recursos económicos. Lógicamente la naturaleza humana tiene un límite a partir del cual las
condiciones económicas dejan de tener efecto.

27